EL PRONÓSTICO DE LA DEMANDA (2) Cristina Gigola Departamento Académico de Ingeniería Industrial y Operaciones ITAM
|
|
- Pablo Henríquez Aguilar
- hace 6 años
- Vistas:
Transcripción
1 EL PRONÓSTICO DE LA DEMANDA (2) Crisina Gigola Deparameno Académico de Ingeniería Indusrial y Operaciones ITAM gigola@iam.mx
2 Conenido (pare 2) Medidas de error Desarrollo de un modelo Modelos: naïve, promedios móviles Selección del modelo Modelos de suavizamieno exponencial Exponencial Simple Tendencia: Modelo de Hol Esacionalidad: Modelo de Winers
3 Resumen sesión anerior y lo que sigue Para realizar una exrapolación con daos emporales Obener daos: cronológicos y a inervalos iguales Buscar parones en los daos: serie esacionaria o Tendencia Esacionalidad Ciclos mediane gráficas y correlogramas Escoger modelo Separar daos en daos iniciales (depende del modelo) y de prueba Generar el pronósico expos y calcular residuos Analizar residuos con correlogramas
4 DATOS INICIALES Y DE PRUEBA Se separan los daos hisóricos en dos grupos Daos iniciales: se uilizan para generar el modelo Daos de prueba: se uilizan para probar el modelo Se pronosica con el modelo, para los daos del grupo de prueba Expos Forecas Se analiza el resulado Serie de los residuos esacionaria Medidas de error
5 DATOS INICIALES Y DE PRUEBA
6 Residuo()=F-Y Si la serie de los residuos es esacionaria el modelo capuró los parones de la serie original Si más de un modelo capura los parones de la serie original se requiere ora medida para escoger el modelo adecuado UNA MEDIDA GLOBAL DE ERROR
7 ERROR MEDIO (ME) : MEDIDAS DE ERROR (k=número de residuos considerados) idenifica sesgo ERROR MEDIO ABSOLUTO (MAD): MAD ERROR MEDIO CUADRÁTICO (MSE): ME disancia promedio ERROR MEDIO ABSOLUTO PORCENTUAL (MAPE): proporción del error e 2 i k k e i ei k penaliza errores grandes MAPE k e y i i
8 MODELOS SIMPLES NOTACIÓN: Y : observación en el período F : pronósico para el período e = Y - F : residuo en el período Los residuos permien observar que an bueno hubiera resulado el modelo para pronosicar períodos pasados. Si el ajuse es bueno la serie de los residuos debe ser esacionaria
9 MODELOS NAIVE ÚTILES CUANDO LA INFORMACIÓN MAS ELEVANTE ES LA DE LOS PERÍODOS MAS RECIENTES MODELO 1: F +1 = Y MODELO 2: F +1 = Y +(Y - Y -1 ) MODELO 3: F +1 =Y -3
10 SERIE DE VENTAS: ACME OBS TRIM. 1 TRIM. 2 TRIM. 3 TRIM NA 1993 NA NA NA NA 1994 NA
11 ANÁLISIS GRÁFICO ACME DACME SERIE CON TENDENCIA Y ESTACIONALIDAD??
12 CORRELOGRAMAS DE ACME Y DIFERENCIAS
13 MODELOS NAIVE: F +1 = Y ACME FOR1
14 MODELOS NAIVE: F +1 = Y RES1 Serie de residuos sin endencia pero con esacionalidad: el modelo no ajusa la esacionalidad pero si la endencia
15 MODELOS NAIVE: F +1 = Y +(Y - Y -1 ) ACME FOR2
16 MODELOS NAIVE: F +1 = Y +(Y - Y -1 ) RES2 Serie de residuos sin endencia pero con esacionalidad: el modelo no ajusa la esacionalidad pero si la endencia
17 MODELOS NAIVE: F +1 =Y -3 ACME FOR NA NA NA NA ACME FOR3
18 MODELOS NAIVE: F +1 =Y RES3 La serie de los residuos es esacionaria: mejor modelo enre los analizados
19 RESIDUOS DE NUESTROS MODELOS DE PRONÓSTICOS OBS RES1 RES2 RES3 OBS RES1 RES2 RES NA NA NA NA NA NA NA
20 MEDIDAS DE ERROR ME MSE MAD MAPE MODELO MODELO MODELO EL MODELO 3 TIENE MENOR MEDIDA DE ERROR EXCEPTO PARA ME. ES EL MEJOR MODELO EL MODELO 1 TIENE MEJOR ME PORQUE LOS ERRORES SE CANCELAN. NO HAY SESGO. NO ES EL MEJOR MODELO.
21 TÉCNICAS DE SERIES DE TIEMPO PROMEDIOS MÓVILES: el pronósico se obiene del promedio de valores hisóricos de un número específico de períodos. SUAVIZAMIENTOS EXPONENCIALES: el pronósico es el resulado de un promedio ponderado de daos hisóricos donde los daos más recienes ienen un mayor peso DESCOMPOSICIÓN: descompone la serie en sus componenes Y F T T S S I
22 MODELO DE LA MEDIA TOTAL F ÚTIL CUANDO LA SERIE ES ESTACIONARIA i 1 1 Y i SE OBTIENE DEL PROMEDIO DE TODAS LAS OBSERVACIONES HISTÓRICAS Y SE PRONOSTICA AL PERÍODO SIGUIENTE CON ESTE PROMEDIO
23
24 MEDIA TOTAL ACME MEDIA
25 CORRELOGRAMAS DE RESIDUOS
26 EN UNA SERIE ESTACIONARIA DEMANDA MEDIA F T 1 T 1 T Y
27 MODELOS DE PROMEDIOS MÓVILES Se obiene promediando el conjuno de daos más recienes y usando ese promedio para pronosicar al siguiene período El número de daos promediados es el orden del méodo Orden 2: promedio de los 2 períodos más recienes Orden 3: promedio de los 3 períodos más recienes
28 CORRELOGRAMA DE LA SERIE ACME
29 CORRELOGRAMA DE LA SERIE DE DIFERENCIAS
30 PROMEDIO MÓVIL DE ORDEN ACME MA(2)
31 PROMEDIO MÓVIL DE ORDEN 2 ACME MOD1 RES NA NA NA NA NA NA
32 PROMEDIO MÓVIL DE ORDEN 3 F +1 = Y + Y -1 + Y -2 3 SE PROMEDIAN SOLO LAS ÚLTIMAS OBSERVACIONES EL ORDEN SE DETERMINA APRIORI UN ORDEN GRANDE ELIMINA LOS PICOS (suaviza) UN ORDEN PEQUEÑO PERMITE SEGUIR MUY DE CERCA LOS CAMBIOS DE CORTO PLAZO
33 PROMEDIO MÓVIL DE ORDEN ACME MA(3)
34 PROMEDIO MÓVIL DE ORDEN 3
35 PROMEDIO MÓVIL DE ORDEN ACME MA(4)
36 PROMEDIO MÓVIL DE ORDEN 4 ACME MOD3 RES NA NA NA NA NA NA NA NA NA NA
37 PROMEDIO MÓVIL DOBLE Los méodos aneriores sólo permien pronosicar un período adelane Una endencia muy marcada se puede esimar con promedios móviles dobles a más períodos fuuros PRIMER PROMEDIO MÓVIL: M Y SEGUNDO PROMEDIO MÓVIL Y 1... Y n1 n ' M M 1... M n M n 1
38 Cálculo del pronósico Calcular diferencia enre promedios Calcular facor de ajuse Pronósico Expos Pronósico p períodos a fuuro ' 2 M M a 1 2 ' n M M b b a F 1 p pb a F
39 PROMEDIO MÓVIL DOBLE DE ORDEN ACME Pmdoble(4)
40 MÉTODOS PARA ESTIMAR TENDENCIA Y ESTACIONALIDAD HOLT: suavizamieno exponencial para esimar la endencia WINTER: mediane suavizamienos exponenciales esima endencia y esacionalidades DESCOMPOSICIÓN: remueve el facor esacional para esimar endencia mediane regresión. Calcula facores esacionales mediane promedios móviles
41 SUAVIZAMIENTO EXPONENCIAL F +1 = Y + ( 1- ) F 0 PROMEDIA LOS VALORES HISTÓRICOS HASTA EL PERÍODO, CON PONDERACIONES QUE DECRECEN EXPONENCIALMENTE INCLUYE UN PARÁMETRO QUE DEFINE LA VELOCIDAD DE DECAIMIENTO F INCLUYE LAS PONDERACIONES DE OBSERVACIONES ANTERIORES
42 SUAVIZAMIENTO EXPONENCIAL SIMPLE (0.2620) ACME FOR
43 SUAVIZAMIENTO EXPONENCIAL DOBLE (Brown) De manera similar a promedio móvil doble PRIMER SUAVIZAMIENTO: SEGUNDO SUAVIZAMIENTO 1 ) 1 ( S Y S 1 ' ' ) 1 ( S S S
44 Cálculo del pronósico Calcular diferencia enre suavizamienos A ' 2S S Calcular facor de ajuse B ' S S 1 Pronósico Expos F 1 A B Pronósico p períodos a fuuro F p A pb
45 Méodo de Brown
46 SUAVIZAMIENTO DE HOLT Méodo para ajusar endencia Usa dos parámeros: uno para suavizar pendienes y oro para esimar endencia Es más sensible a influencias aleaorias Mayor flexibilidad para seleccionar los parámeros
47 SUAVIZAMIENTO DE HOLT Suavizar los daos con el primer parámero A T * Y (1 )( A 1 T 1) (0,1) Esimar la endencia ( A A ) (1 ) T (0,1) 1 1 Pronósico a p períodos en el fuuro F p A ( p* T )
48 SUAVIZAMIENTO DE HOLT ACME HOLT RES NA NA
49 SUAVIZAMIENTO DE HOLT 0.1
50 SUAVIZAMIENTO DE HOLT 1000 = 0.31, = ACME HO LT
51 SUAVIZAMIENTO DE WINTERS Ajusa endencia y variaciones esacionales Uiliza res parámeros El primero para suavizar los daos El segundo para esimar endencia El ercero para esimar esacionalidad Dos modos: adiivo o muliplicaivo Adiivo si la esacionalidad no cambia con la endencia Muliplicaivo si la esacionalidad cambia con la endencia
52 Demanda PATRÓN ESTACIONAL (b) Parón Adiivo Período
53 Demanda PATRÓN ESTACIONAL (a) Parón Muliplicaivo Período
54 SUAVIZAMIENTO DE WINTER Suavizamieno de la serie de daos A Y ( ) (1 )( A 1 T 1) (0,1) S L Esimación de la endencia T ( A A ) (1 ) T 1 1 Esimación de la esacionalidad S (0,1) Y ( ) (1 ) SL (0,1) A
55 SUAVIZAMIENTO DE WINTER Pronósico a p períodos en el fuuro F p ( A p* T ) S L p donde L longiud de la esacionalidad
56 SUAVIZAMIENTO DE WINTER 1200 =1, =0.3, = ACME W INT ERS
57 SUAVIZAMIENTO DE WINTERS
58 RESIDUOS DE LOS MODELOS RES1 RES2 RES3 RES4
59 MEDIDAS DE ERROR MSE FOR HOLT WINTERS DADO QUE LA SERIE TIENE COMPONENTE ESTACIONAL, EL MEJOR MODELO ES WINTERS
Pronóstico. Pronósticos. Factores Controlables. Porqué? Objetivo. Factores Incontrolables
2 Pronóstico Pronósticos Es una estimación cuantitativa o cualitativa de uno o varios factores (variables) que conforman un evento futuro, con base en información actual o del pasado Administración de
Más detallesSUAVIZAMIENTO EXPONENCIAL AJUSTADO A LA TENDENCIA Y A LA VARIACIÓN ESTACIONAL: MÉTODO DE WINTERS
Pronósicos II Un maemáico, como un inor o un oea, es un fabricane de modelos. i sus modelos son más duraderos que los de esos úlimos, es debido a que esán hechos de ideas. Los modelos del maemáico, como
Más detallesPREVISIÓN DE LA DEMANDA
Capíulo 0. Méodos de Previsión de la OBJETIVOS. Los pronósicos y la planificación de la producción y los invenarios. 2. El proceso de elaboración de los pronósicos. Méodos de previsión de la demanda 4.
Más detallesPATRON = TENDENCIA, CICLO Y ESTACIONALIDAD
Pronósicos II Un maemáico, como un pinor o un poea, es un fabricane de modelos. Si sus modelos son más duraderos que los de esos úlimos, es debido a que esán hechos de ideas. Los modelos del maemáico,
Más detallesGRADO TURISMO TEMA 6: SERIES TEMPORALES
GRADO TURISMO TEMA 6: SERIES TEMPORALES Prof. Rosario Marínez Verdú 1 TEMA 6: SERIES TEMPORALES 1. Componenes de una serie emporal. 2. Análisis de la Tendencia. 3. Análisis de las Variaciones Esacionales.
Más detallesMétodos de Previsión de la Demanda Pronóstico para Series Temporales Niveladas Representación Gráfica
Méodos de Previsión de la Demanda Pronósico para Series Temporales Niveladas Represenación Gráfica REPRESENTACIÓN GRÁFICA DE LA SERIE DE DATOS Período i Demanda Di 25 2 2 3 225 4 24 5 22 Para resolver
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE.
Invesigación y écnicas de Mercado Previsión de Venas ÉCNICAS CUANIAIVAS ELEMENALES DE PREVISIÓN UNIVARIANE. (II) écnicas elemenales: Modelos Naive y Medias Móviles. Medición del error de previsión. Profesor:
Más detallesUNIDAD IX. Técnicas de Suavización
UNIDAD IX Técnicas de Suavización UNIDAD IX La esadísica demuesra que suele ser más fácil hacer algo bien que explicar por qué se hizo mal. Allen L. Webser, 1998 Cuál es el objeivo de la Técnica de suavización?
Más detallesEspecificación y Estimación de los MODELOS ARCH. Horacio Catalán Alonso
Especificación y Esimación de los MODELOS ARCH Horacio Caalán Alonso Noviembre de 0 Caracerísicas de las series financieras:. Son lepokuricas (achaadas y con colas más gordas).las relaciones enre ganancia
Más detallesEstadística Descriptiva y Analisis de Datos con la Hoja de Cálculo Excel. Series Temporales
Esadísica Descripiva y Analisis de Daos con la Hoja de Cálculo Excel Series Temporales Serie emporal una serie emporal es una sucesión de observaciones de una variable realizadas a inervalos regulares
Más detallesMétodos de Previsión de la Demanda Datos
Daos Pronósico de la Demanda para Series Niveladas Esime la demanda a la que va a hacer frene la empresa "Don Pinzas". La información disponible para poder esablecer el pronósico de la demanda de ese produco
Más detallesGuía de Ejercicios Econometría II Ayudantía Nº 3
Guía de Ejercicios Economería II Ayudanía Nº 3 1.- La serie del dao hisórico del IPC Español desde enero de 2002 hasa diciembre de 2011, esá represenada en el siguiene gráfico: 115 110 105 100 95 90 85
Más detallesCurso Combinado de Predicción y Simulación Edición 2004
Curso Combinado de Predicción y Simulación www.uam.es/predysim Edición 2004 UNIDAD 2: TÉCNICAS ELEENTALES DE PREDICCIÓN CASO DE APLICACIÓN 1.- Predicción y simulación de los coses salariales en España
Más detallesMÉTODOS DE PRONÓSTICO TEMA 1: ANÁLISIS DE SERIES DE TIEMPO Y ELABORACIÓN DE PRONÓSTICOS
UNIDAD 4 MÉTODOS DE PRONÓSTICO TEMA 1: ANÁLISIS DE SERIES DE TIEMPO Y ELABORACIÓN DE PRONÓSTICOS Predicción de lo que sucederá en el futuro. 1 Predicción de lo que sucederá en el futuro. Los métodos de
Más detallesESTUDIO DE MERCADO. MÉTODOS DE PROYECCIÓN
ESTUDIO DE MERCADO. MÉTODOS DE PROECCIÓN Qué es una proyección? Es una esimación del comporamieno de una variable en el fuuro. Específicamene, se raa de esimar el valor de una variable en el fuuro a parir
Más detallesCAPÍTULO III. METODOLOGÍA. En este capítulo se expondrán los diversos modelos de pronósticos así como su notación, la
CAPÍTULO III. METODOLOGÍA En ese capíulo se expondrán los diversos modelos de pronósicos así como su noación, la esimación de sus parámeros para poder enonces escoger el modelo que más se adecue a la Serie
Más detallesDescomposición de Series de Tiempo
Curso de Economería de Series de iempo Faculad de Economía Universidad Nacional Auónoma de México Descomposición de Series de iempo Profesor: Juan Francisco Islas Aduno: Miguel Heras Ciudad Universiaria,
Más detallesPRÁCTICA 4 TEMA 6: SERIES TEMPORALES
PRÁCTICA 4 TEMA 6: SERIES TEMPORALES En las prácicas aneriores se habían analizado observaciones de variables de ipo ransversal (por ejemplo, obenidas para diferenes municipios). Llamaremos Serie Temporal
Más detalles4. Modelos de series de tiempo
4. Modelos de series de iempo Los modelos comunes para el análisis de series de iempo son los que se basan en modelos auorregresivos y modelos de medias móviles o una combinación de ambos. Es posible realizar
Más detallesUNIDAD 3 PROMEDIOS MÓVILES Y SUAVIZACIÓN EXPONENCIAL TEMA 1: PROMEDIOS MÓVILES Y MÉTODOS DE ATENUACIÓN
UNIDAD 3 PROMEDIOS MÓVILES Y SUAVIZACIÓN EXPONENCIAL TEMA 1: PROMEDIOS MÓVILES Y MÉTODOS DE ATENUACIÓN Pronóstico: Mejor toma de decisiones Compañías de negocios, gobiernos ponen un gran énfasis en el
Más detallesTema 8: SERIES TEMPORALES
Inroducción a la Economería Tema 8: ERIE TEMPORALE Tema 8: ERIE TEMPORALE. Concepo y componenes de una serie emporal. Definiremos una serie emporal como cualquier conjuno de N observaciones cuaniaivas
Más detallesUNIDAD 3 PROMEDIOS MÓVILES Y SUAVIZACIÓN EXPONENCIAL TEMA 1: PROMEDIOS MÓVILES Y MÉTODOS DE ATENUACIÓN
UNIDAD 3 PROMEDIOS MÓVILES Y SUAVIZACIÓN EXPONENCIAL TEMA 1: PROMEDIOS MÓVILES Y MÉTODOS DE ATENUACIÓN Pronóstico: Mejor toma de decisiones Compañías de negocios, gobiernos ponen un gran énfasis en el
Más detallesProyección de tasas de actividad
Proyección de asas de acividad Noa meodológica. Inroducción El raar de anicipar el comporamieno fuuro de la población en relación con el mercado de rabajo iene un inerés evidene, pues ofrece información
Más detallesUSO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD
USO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD Inroducción. En muchas áreas de ingeniería se uilizan procesos esocásicos o aleaorios para consruir modelos de sisemas ales como conmuadores
Más detallesPRÁCTICA 3: Sistemas de Orden Superior:
PRÁCTICA 3: Sisemas de Orden Superior: Idenificación de modelo de POMTM. Esabilidad y Régimen Permanene de Sisemas Realimenados Conrol e Insrumenación de Procesos Químicos. . INTRODUCCIÓN Esa prácica se
Más detallesAnálisis de Series Temporales. Jose Jacobo Zubcoff. Departamento de Ciencias del Mar y Biología Aplicada
Análisis de Series Temporales Jose Jacobo Zubcoff Deparameno de Ciencias del Mar y Biología Aplicada Inroducción al análisis de series emporales Objeivo: analizar la evolución de una variable a ravés del
Más detallesebook 3 métodos prácticos para
ebook 3 méodos prácicos para pronosicar sus venas Tomás Gálvez Marínez Consulor, insrucor y conferencisa en Pronósicos, Planeación de Demanda y S&OP CELOGIS www.celogis.com CONTENIDO 1. Para qué generar
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D o de Economía Aplicada Cuaniaiva I Basilio Sanz Carnero PROCESOS ESTOCÁSTICOS Un proceso esocásico «Z» considera «n» variables aleaorias, Z n, en momenos de iempo sucesivos, cada una de esas «n» variables
Más detallesSERIES TEMPORALES. Cecilia Esparza Catalán
SERIES TEMPORALES Cecilia Esparza Caalán Cecilia Esparza Caalán ÍNDICE Página.- INTRODUCCIÓN.. 2 2.- ANÁLISIS PRELIMINAR DE UNA SERIE... 3 - Tendencia y nivel de la serie.... 4 - Esacionalidad.... 9 -
Más detallesEjercicios de Econometría para el tema 4 Curso Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez
Ejercicios de Economería para el ema 4 Curso 2005-06 Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez 1 1. Considérese el modelo siguiene: Y X + u * = α + β 0 Donde: Y* = gasos deseados
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesLos datos fueron obtenidos de una publicación del Golden Gate Bridge.
Pronósicos Resumen El procedimieno Pronósicos esa diseñado para pronosicar valores fuuros de daos de series de iempo. Una serie de iempo consise de un conjuno secuencial de daos numéricos omados en inervalos
Más detallesUNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA
UNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA Por Mónica Orega Moreno Profesora Esadísica. Deparameno Economía General y Esadísica RESUMEN El aumeno de la siniesralidad laboral
Más detallesESTUDIO DEL PRONÓSTICO DE LA DEMANDA DE ENERGIA ELECTRICA, UTILIZANDO MODELOS DE SERIES DE TIEMPO
Scienia e Technica Año IX, No, Diciembre 00. UTP. ISSN 0-70 7 ESTUDIO DEL PRONÓSTICO DE LA DEMANDA DE ENERGIA ELECTRICA, UTILIZANDO MODELOS DE SERIES DE TIEMPO RESUMEN El presene ariculo describe un pronosico
Más detallesECONOMETRÍA EMPRESARIAL II ADE
4 Bernardí Cabrer Economería Empresarial II Tema 8 ECONOMETRÍA EMPRESARIAL II ADE TEMA 8 MODELOS LINEALES SIN ESTACIONALIDAD I ( Modelos regulares 4 Bernardí Cabrer Economería Empresarial II Tema 8 8.
Más detallesAJUSTE NUMÉRICO DEL PIB PER CÁPITA DE BRASIL, MÉXICO Y CHINA USANDO FUNCIONES HIPERBÓLICAS
ISSN 007-957 AJUSTE NUMÉRICO DEL PER CÁPITA DE BRASIL, MÉXICO Y CHINA USANDO FUNCIONES HIPERBÓLICAS Ana María Islas Cores Insiuo Poliécnico Nacional, ESIT amislas@ipn.mx Gabriel Guillén Buendia Insiuo
Más detallesDEPARTAMENTO DE QUÍMICA ANALÍTICA Y TECNOLOGÍA DE ALIMENTOS
DEPARTAMETO DE QUÍMICA AALÍTICA Y TECOLOGÍA DE ALIMETOS FUDAMETOS DE AÁLISIS ISTRUMETAL. 7º RELACIÓ DE PROBLEMAS..- Las susancias A y B ienen iempos de reención de 6.4 y 7.63 min, respecivamene, en una
Más detallesPOLITÉCNICO GRANCOLOMBIANO. FACULTAD DE INGENIERÍA INDUSTRIAL Calificación del Método de Pronóstico de Torres
POLITÉCNICO GRANCOLOMBIANO FACULTAD DE INGENIERÍA INDUSTRIAL Calificación l Pronósico Torres Miller Alarcón malarcon@poligran.edu.co Docene Faculad Ingeniería Indusrial Poliécnico Grancolombiano Acualizado
Más detallesTEMA 2 MODELO LINEAL SIMPLE (MLS) Gujarati, Econometria (2004)
EMA 2 MODELO LINEAL SIMPLE (MLS) Gujarai, Economeria (2004). Planeamieno e inerpreación del modelo economérico lineal simple. Capíulo 2 páginas 36 a 39 2. Hipóesis Básicas del Modelo Capíulo 3 páginas
Más detallesDeterminación de las garantías para el contrato de futuros de soja en pesos. Value at Risk
Deerminación de las garanías para el conrao de fuuros de soja en pesos. Value a Risk Gabriela acciano inancial Risk Manager gfacciano@bcr.com.ar Direcora Deparameno de Capaciación y Desarrollo de Mercados
Más detallesAplicaciones de la Probabilidad en la Industria
Aplicaciones de la Probabilidad en la Indusria Cuara pare Final Dr Enrique Villa Diharce CIMAT, Guanajuao, México Verano de probabilidad y esadísica CIMAT Guanajuao,Go Julio 010 Reglas para deección de
Más detallesMODELO JUNIO 2005 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II
Modelo de eamen Junio MODELO JUNIO MTEMÁTICS PLICDS LS CIENCIS SOCILES II OPCIÓN. (Punuación máima: punos) Se dice que una mari cuadrada es orogonal si T I: Noa: La noación T significa mari ranspuesa de.
Más detallesComo podrás observar, los valores de la última columna no son iguales a qué se debe esto, si para una función lineal sí resultaron iguales?
Razón de cambio de una función cuadráica Ejemplo.5 Un puno se desplaza en el plano describiendo el lugar geomérico correspondiene a la función f ( x x 6x 3. Obén la razón promedio de cambio. Considera
Más detallesUna aplicación Bayesiana a la Modelización de Mercados
Una aplicación Bayesiana a la Modelización de Mercados Maser Oficial en Ingeniería Maemáica Problema planeado por BAYES INFERENCE, S. A. Exposición del problema (I) Se considera un mercado de compeencia
Más detallesELABORACIÓN DE UN MÓDULO DE PRONÓSTICOS DE DEMANDA
UNIVERSIDAD DE SAN BUENAVENTURA CALI INGENIERIA INDUSTRIAL ELABORACIÓN DE UN MÓDULO DE PRONÓSTICOS DE DEMANDA Presentado por: Steven Valencia Jhonier Betancourt 2 AGENDA Esta sustentación se presentará
Más detalles1. Derivadas de funciones de una variable. Recta tangente.
1. Derivadas de funciones de una variable. Reca angene. Derivadas Vamos a ver en ese capíulo la generalización del concepo de derivada de funciones reales de una variable a funciones vecoriales con varias
Más detallesModelos estructurales de series de tiempo Est. Laura I. Giménez
Modelos esrucurales de series de iempo Es. Laura I. Giménez Universidad Nacional del Nordese Insiuo Nacional de Tecnología Agropecuaria 1 Programa Jueves, 30 de julio de 009 Inroducción al análisis de
Más detallesTODO ECONOMETRÍA. Autocorrelación
TODO ECONOMETRÍA Auocorrelación Índice Definición Causas Consecuencias Deección Medidas correcivas Definición de la auocorrelación Definición de auocorrelación La perurbación de una observación cualquiera
Más detalles6.7. ENSAYOS EN FLUJO CONVERGENTE
Clase 6.7 Pág. 1 de 1 6.7. ENSAYOS EN FLUJO CONVERGENTE 6.7.1. Principios Los pasos que deben seguirse para efecuar un ensayo de flujo convergene son: 1. Se bombea en un puno hasa conseguir que las condiciones
Más detallesGESTIÓN DE INVENTARIOS Código: M. Docente: Julio César Londoño Ortega
GESTIÓN DE INVENTARIOS Código: 760033M Docene: Julio César ondoño Orega 1. Concepos avanzados de pronósicos de demanda 1. CONCEPTOS AVANZADOS DE PRONÓSTICOS DE DEMANDA Medición y análisis de los errores
Más detallesEnfoques de Programación Matemática para la Previsión de la Demanda mediante descomposición de series temporales
IX Congreso de Ingeniería de Organización Gijón, 8 y 9 de sepiembre de 2005 Enfoques de Programación Maemáica para la Previsión de la Demanda mediane descomposición de series emporales Josefa Mula Bru,
Más detallesPronósticos de Ingresos y Gastos Anuales a partir de datos mensuales: Una ilustración para Colombia.
Universidad Icesi Pronósicos de Ingresos y Gasos Anuales a parir de daos mensuales: Una ilusración para Colombia. Julio César Alonso 1, Mauricio Alejandro Arcos 1 1 UNIVERSIDAD ICESI, CIENFI (Cenro de
Más detallesASPECTOS METODOLÓGICOS DE INDICADORES DE VOLUMEN DE VENTAS, DE ARTÍCULOS ELABORADOS POR LA ACTIVIDAD MANUFACTURERA. Lima noviembre 2008
Índice de volumen de venas de la producción indusrial ASPECTOS METODOLÓGICOS DE INDICADORES DE VOLUMEN DE VENTAS, DE ARTÍCULOS ELABORADOS POR LA ACTIVIDAD MANUFACTURERA Lima noviembre 2008 Rolando Porilla
Más detallesAnálisis estocástico de series temporales
Análisis esocásico de series emporales Ernes Pons (epons@ub.edu) Análisis esocásico de Series Temporales Moivación Ejemplos 4500000 8 4000000 6 3500000 4 3000000 2 0 2500000-2 2000000-4 500000-6 000000-8
Más detallesLuis H. Villalpando Venegas,
2007 Luis H. Villalpando Venegas, [SIMULACIÓN DE PRECIOS DEL PETROLEO BRENT ] En ese rabajo se preende simular el precio del peróleo Bren, a ravés de un proceso esocásico con reversión a la media, con
Más detalles3. Métodos de clasificación de días solares.
3. Méodos de clasificación de días solares. Exisen diversos méodos uilizados para clasificar días solares en función de disinas variables como pueden ser el número de horas de sol, porcenaje de nubes,
Más detallesCAPÍTULO 3: METODOLOGÍA. Como ya se vio, existen varios tipos de pronósticos. Para el propósito de esta tesis se van a
19 CAPÍTULO 3: METODOLOGÍA Como ya se vio, existen varios tipos de pronósticos. Para el propósito de esta tesis se van a considerar aquellos tipos que pertenecen a la categoría de métodos cuantitativos,
Más detalles1 Introducción... 2. 2 Tiempo de vida... 3. 3 Función de fiabilidad... 4. 4 Vida media... 6. 5 Tasa de fallo... 9. 6 Relación entre conceptos...
Asignaura: Ingeniería Indusrial Índice de Conenidos 1 Inroducción... 2 2 Tiempo de vida... 3 3 Función de fiabilidad... 4 4 Vida media... 6 5 Tasa de fallo... 9 6 Relación enre concepos... 12 7 Observaciones
Más detallesIntroducción a las series temporales
Tema 1: Tema 1: 1 Definición y ejemplos 2 Clasificación 3 Objetivos 4 Métodos clásicos de análisis Definición y ejemplos Serie Temporal Colección de observaciones que se toman secuencialmente a lo largo
Más detallesInstituto Politécnico Nacional Escuela Superior de Cómputo Modelos de Pronóstico
Instituto Politécnico Nacional Escuela Superior de Cómputo Modelos de Pronóstico M. En C. Eduardo Bustos Farías 1 Gestión de Demanda Clientes Internos y Externos Proactiva: Promociones, Políticas de Precio,
Más detallesComentarios de la Nota Técnica sobre la Determinación del Incremento de la Reserva de Previsión
Comenarios de la Noa Técnica sobre la Deerminación del Incremeno de la Reserva de Previsión Fernando Solís Soberón y Rosa María Alaorre Junio 1992 Serie Documenos de Trabajo Documeno de rabajo No. 3 Índice
Más detallesIntroducción a la Estadística Empresarial. Capítulo 4.- Series temporales Jesús Sánchez Fernández
Inroducción a la Esadísica Empresarial. Capíulo 4.- Series emporales CAPITULO 4.- SERIES TEMPORALES 4. Inroducción. Hasa ahora odas las variables que se han esudiado enían en común que, por lo general,
Más detallesDIRECCIÓN Y ADMINISTRACIÓN DE PEQUEÑAS EMPRESAS
DIRECCIÓN Y ADMINISTRACIÓN DE PEQUEÑAS EMPRESAS Modulo tercero (integración). Clave de asignatura LC 735 PROFESOR: C.P. DAVID ARREDONDO ALCANTAR 1.- PRONOSTICOS 1.3.- Tipos de pronósticos. Los pronósticos
Más detallesPRONÓSTICO DE LA RADIOATENUACIÓN TROPOSFÉRICA POR LLUVIA PARA LA CIUDAD DE MARACAY
PRONÓSTICO DE LA RADIOATENUACIÓN TROPOSFÉRICA POR LLUVIA PARA LA CIUDAD DE MARACAY (Forecasing of he Tropospheric Radio Aenuaion by Rain for he Ciy of Maracay) Alan Zsarolyani Universidad Rafael Belloso
Más detallesEJERCICIOS DE ECUACIONES EN DIFERENCIAS PROPUESTOS EN EXÁMENES
hp://elefonica.ne/web/imm EJERCICIOS DE ECUACIONES EN DIFERENCIAS PROPUESTOS EN EXÁMENES.- En las ecuaciones lineales en diferencias, enemos el modelo de la elaraña, que se refiere a la versión discrea
Más detalles3.1 Factor de transmisión atmosférica k(i,j)
3 Meodología El modelo esadísico rabaja relacionando el llamado índice de nubosidad obenido a parir de las imágenes de saélie con la irradiación solar global obenida de las esaciones de medición en superficie.
Más detallesConstrucción de señales usando escalones y rampas
Consrucción de señales usando escalones y rampas J. I. Huircán Universidad de La Fronera March 3, 24 bsrac Se planean méodos para componer y descomponer señales basadas en escalones y rampas. Se de ne
Más detallesDocumento No. 55. Destacionalización de Series de Tiempo Económicas: Parte II Ajustes Previos Hacia la Deestacionalización. Por. Víctor M.
Documeno No. 55 Desacionalización de Series de Tiempo Económicas: Pare II Ajuses Previos Hacia la Deesacionalización Por Vícor M. Guerrero Agoso, 1983. Las ideas conenidas en el presene ensayo son responsabilidad
Más detallesDESESTACIONALIZACIÓN DE LA PRODUCCIÓN INDUSTRIAL CON LA METODOLOGÍA X-12 ARIMA
DESESTACIONALIZACIÓN DE LA PRODUCCIÓN INDUSTRIAL CON LA INTRODUCCIÓN Álvaro Hernando Chaves Casro La publicación oficial de esadísicas debe garanizar la calidad, la oporunidad y la coberura. En el caso
Más detallesSERIES DE TIEMPO. Estas predicciones se utilizan para tomar decisiones operativas y, a veces, estratégicas.
CAPITULO II SERIES DE TIEMPO º INTRODUCCIÓN La mayoría de las empresas y agenes económicos precisan realizar predicciones sobre el comporamieno de su evolución y del enorno donde acúan. Esas predicciones
Más detallesNota metodológica de indicadores de actividad del sector servicios
Noa meodológica de indicadores de acividad del secor servicios Los ndicadores de Acividad del Secor Servicios (ASS) ienen como objeivo medir la evolución a coro plazo de la acividad de las empresas que
Más detallesMODELO ARIMA(p, d, q) (P, D, Q) s
SERIES TEMPORALES: MODELO ARIMA Faculad Ciencias Económicas y Empresariales Deparameno de Economía Aplicada Profesor: Saniago de la Fuene Fernández MODELO ARIMA(p, d, q) (P, D, Q) s Se han analizado las
Más detallesPROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce
Economería I. DADE Noas de Clase PROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce (rafael.dearce@uam.es) INTRODUCCIÓN Una vez lograda una expresión maricial para la esimación de los parámeros
Más detallesEjercicio sobre el PIB histórico anual español 1
Ejercicio sobre el PIB hisórico anual español 1 El gráfico adjuno recoge la evolución del PIB anual español (en miles de millones de peseas de 15) de 15 a 2. 6 5 4 3 2 1 PIB Considere ahora la ransformación
Más detallesModelos de Series de Tiempo
UNIVERSIDAD AUTONOMA DEL ESTADO DE MÉXICO FACULTAD DE PLANEACIÓN URBANA Y REGIONAL ESTADÍSTICA II Modelos de Series de Tiempo POR: LUIS CONRADO TOLEDO VEGA FECHA DE ELABORACIÓN: 1ra quincena de Marzo de
Más detallesESTADISTICA PARA RELACIONES LABORALES
ESTADISTICA PARA RELACIONES LABORALES CURSO 2010 TURNO VESPERTINO Y NOCTURNO MODULO 8 INFLACION, DEFLACTACION INFLACION La INFLACION es el aumeno del nivel general de precios en una economía. Por ello
Más detallesGráficos con Maple. . El segundo argumento especifica la variable independiente y su rango x de variación.
Gráficos con Maple Maple incluye poenes capacidades gráficas que permien realizar represenaciones bidimensionales, ridimensionales e incluso animaciones. El programa es muy flexible en lo que a la enrada
Más detallesEstudio Empírico de la Selección y Estimación de los Modelos de Crecimiento Estadístico
Esudio Empírico de la Selección Esimación de los Modelos de Crecimieno Esadísico S. Amirkhalhali, U.L.G. Rao and S. Amirkhalkhali 1 Resumen: En ese papel se comparan los modelos de crecimieno Lineal Exponencial
Más detallesGuía de Ejercicios 2 Econometría II
Gía de Ejercicios Economería II.- Para el sigiene proceso : donde es n rido blanco con ariana. a Calcle la media la ariana marginal condicional del proceso. Compare los alores marginales condicionales.
Más detallesVOLATILIDAD DE LA TASA DE CAMBIO PESO DÓLAR: ESTIMACIÓN DE UN INDICADOR PARA LA GESTIÓN DEL RIESGO Y LA PLANEACIÓN DE ESTRATEGIAS DE INVERSIÓN
VOLATILIDAD DE LA TASA DE CAMBIO PESO DÓLAR: ESTIMACIÓN DE UN INDICADOR PARA LA GESTIÓN DEL RIESGO Y LA PLANEACIÓN DE ESTRATEGIAS DE INVERSIÓN MARCELA CONSTANZA TECANO MOLANO Direcor Ingeniero DIEGO HERNÁNDEZ
Más detallesProyección de Tráficos Mediante un Modelo Microeconómico
Proyección de Tráficos Mediane un Modelo Microeconómico Ing. Germán E. Valverde González, M.B.A., M.Sc. Direcor del Deparameno de Ingeniería de Transpore Escuela de Ingeniería Civil, Universidad de Cosa
Más detallesMODELOS ESTOCÁSTICOS DE PLUVIOMETRÍA Y TEMPERATURAS MEDIAS MENSUALES EN ESPAÑA
MODELOS ESTOCÁSTICOS DE PLUVIOMETRÍA Y TEMPERATURAS MEDIAS MENSUALES EN ESPAÑA Ayuga Téllez, E.; González García, C.; Robredo Sánchez, J.C.; Marín Fernández, A.J. y Grande Oriz, M.A. Escuela Técnica Superior
Más detallesU N I V E R S I D A D D E L V A L L E
U N I V E R S I D A D D E L V A L L E FACULTAD DE INGENIERIA ESCUELA DE INGENIERÍA INDUSTRIAL LOGÍSTICA INDUSTRIAL PROGRAMA DE INGENIERÍA INDUSTRIAL Profesor: Julio César Londoño Orega Gesión de Invenarios
Más detallesEstimación puntual ± Margen de error
Esimación Punual Para esimar el valor de un parámero poblacional se calcula la caracerísica correspondiene de la muesra, a lo que se le conoce como esadísico muesral. A la media muesral x se le idenifica
Más detallesSistemade indicadores compuestos coincidentey adelantado julio,2010
Sisemade indicadores compuesos coincideney adelanado julio,2010 Sisema de Indicadores Compuesos: Coincidene y Adelanado SI REQUIERE INFORMACIÓN MÁS DETALLADA DE ESTA OBRA, FAVOR DE COMUNICARSE A: Insiuo
Más detallesMODELOS PARA SERIES DE TIEMPO CON ESTACIONALIDAD COMPLEJA
Decimocavas Jornadas "Invesigaciones en la Faculad" de Ciencias Económicas y Esadísica. Noviembre de 2013. Blaconá, María Teresa Andreozzi, Lucía Insiuo de Invesigaciones Teóricas y Aplicadas de la Escuela
Más detallesCARLOS FORNER RODRÍGUEZ Departamento de Economía Financiera y Contabilidad, UNIVERSIDAD DE ALICANTE
TEMA 7: Opciones V: Modelos de CARLOS FORNER RODRÍGUEZ Deparameno de Economía Financiera y Conabilidad, UNIVERSIDAD DE ALICANTE En emas aneriores hemos esudiado qué variables afecan a la prima que el comprador
Más detallesModelo de regresión lineal simple
Modelo de regresión lineal simple Inroducción Con frecuencia, nos enconramos en economía con modelos en los que el comporamieno de una variable,, se puede explicar a ravés de una variable X; lo que represenamos
Más detallesPrevisión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE.
Previsión de Venas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (I) Presenación y concepos básicos en orno al manejo de series emporales. Profesor: Ramón Mahía Curso 2002-2003 I.- Presenación
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE.
Invesigación y Técnicas de Mercado Previsión de Venas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (I) Presenación y concepos básicos en orno al manejo de series emporales. Profesor: Ramón
Más detallesDinamica Curso de Verano 2005 Cinetica: Ecuaciones de Impulso y Momentum
Dinámica: Cineica Impulso y Momenum Dinamica Curso de Verano 25 Cineica: Ecuaciones de Impulso y Momenum ITESM Campus Monerrey Deparameno de Ingenieria Mecanica Documeno preparado por: Ing. Jovanny Pacheco
Más detallesh + para cualquier m 1, 5.2. Modelo E-GARCH Introducción
5.2. Modelo E-GARCH Inroducción Los modelos GARCH exponenciales nacen a parir de la publicación de Daniel Nelson (99) sobre heerocedasicidad condicional en los modelos de renabilidad de acivos. Dicho auor
Más detallesMetodología de cálculo del diferencial base
Meodología de cálculo del diferencial base El diferencial base es el resulado de expresar los gasos generales promedio de operación de las insiuciones de seguros auorizadas para la prácica de los Seguros
Más detalles6.4. Introducción al Análisis de Series Temporales
6.4. Introducción al Análisis de Series Temporales Traducción: Rolando Lemus Gómez Los métodos de series de tiempo toman en cuenta la estructura interna posible en los datos Los datos de series de tiempo
Más detallesLA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR)
LA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR) ESPECIFICACION La meodología VAR es, en ciera forma, una respuesa a la imposición de resricciones a priori que caraceriza a los modelos economéricos keynesianos:
Más detallesY K AN AN AN MODELO SOLOW MODELO
MODELO SOLOW MODELO Rendimienos consanes a escala decrecienes en uso de facores. Tasa de ahorro exógena, s. Crecimieno exógeno, a asa g, de eficiencia del rabajo. Equilibrio mercado de bienes de facores.
Más detalles6 METODOLOGÍA PROPUESTA PARA VALORAR USOS IN SITU DEL AGUA
38 6 METODOLOGÍA PROPUESTA PARA VALORAR USOS IN SITU DEL AGUA 6.1 Méodo general Para valorar los usos recreacionales del agua, se propone una meodología por eapas que combina el uso de diferenes écnicas
Más detallesGUÍA DE MOVIMIENTO RECTILÍNEO UNIFORME
INSTITUTO NACIONAL Deparameno de Física Coordinación Segundo Medio 06. GUÍA DE MOVIMIENTO RECTILÍNEO UNIFORME NOMBRE: CURSO: Caracerísica general de M.R.U: Si una parícula se mueve en la dirección del
Más detallesCiclos Económicos y Riesgo de Crédito: Un modelo umbral de proyección de la morosidad bancaria de Perú
Ciclos Económicos y Riesgo de Crédio: Un modelo umbral de proyección de la morosidad bancaria de Perú Subgerencia de Análisis del Sisema Financiero y del Meado de Capiales Deparameno de Análisis del Sisema
Más detalles